CN116341879A - 一种逾期资产清收智能分案方法与系统 - Google Patents

Abstract

本发明提供一种逾期资产清收智能分案方法与系统，属于数据处理技术领域，具体包括：通过催收人员的现有催收案件的沟通情况将现有催收案件划分为已沟通成功案件和未沟通成功案件，基于未沟通成功案件的电话沟通异常值，并结合除电话沟通外的其它沟通方式的沟通次数将未沟通成功案件划分为非正常案件和正常案件；基于已沟通成功案件的违约主体的配合次数和非配合次数，并结合最近的预设时间内的配合次数的比例将已沟通成功案件划分为配合案件和非配合案件；基于催收人员的不同类型的案件的数量、饱满度评分确定催收人员的评分值，并基于评分值进行待分配案件的催收人员的确定，从而进一步提升了分案的准确性，提升了清收的效率。

Description

一种逾期资产清收智能分案方法与系统

技术领域

本发明属于数据处理技术领域，具体涉及一种逾期资产清收智能分案方法与系统。

背景技术

为了实现对于消费金融以及其他类型的逾期资产的智能分案，现有技术方案中，例如CN114626735A《催收案件分配方法、装置、设备及计算机可读存储介质》通过述待催收案件对应的催收额度、催收次数、逾期时间、对应的催收员及客户信用评分对催收案件进行差异性评级，并根据评级结果以及催收员的工作效率进行案件的分配，但是却存在以下技术问题：

1、待催收案件对应的催收额度、催收次数、逾期时间、对应的催收员及客户信用评分等指标与待催收案件的催收难度之间并不受自然规律的约束，无法实现对案件的分类，即便案件的逾期时间较长，也并不一定说明其催收难度较大，而无法与待催收案件的违约主体建立沟通的案件，其催收难度明显要大于已经与违约主体建立沟通的案件，而建立沟通之后，态度强硬拒不配合的案件其催收难度明显要大于配合度较高的案件，因此若采用上述的案件分类方式，则无法实现对案件的准确分配。

2、基于催收员的工作效率，即催收成功案件的数量进行催收员的差异性分类并不受自然规律的约束，即便今天催收效率高，明天的催收效率并不一定高，因此无法实现对催收员的差异性分类，同时未考虑结合催收员的工作饱满度，例如催收电话的时长较多、沟通次数较多的催收员，其工作饱满度明显较高，因此若采用工作效率进行催收员的差异性分类，则同样无法实现对案件的准确分配。

3、未考虑结合催收员的工作饱满度以及不同类型的案件数量进行可分配催收员的确定，若仅仅考虑不同类型的案件数量，由于不同的催收员的工作饱满度不同，因此无法准确的实现对可配催收员的认定。

基于上述技术问题，需要设计一种逾期资产清收智能分案方法与系统。

发明内容

本发明的目的是提供一种逾期资产清收智能分案方法与系统。

为了解决上述技术问题，本发明第一方面提供了一种逾期资产清收智能分案方法，具体包括：

S11：通过催收人员的现有催收案件的沟通情况将所述现有催收案件划分为已沟通成功案件和未沟通成功案件，基于所述未沟通成功案件的电话沟通的沟通次数、挂断次数、电话沟通的不同的反馈类型的沟通次数确定所述未沟通成功案件的电话沟通异常值，并结合除电话沟通外的其它沟通方式的沟通次数将所述未沟通成功案件划分为非正常案件和正常案件；

S12：基于所述已沟通成功案件的违约主体的沟通关键词的识别结果确定所述违约主体的情绪识别结果和配合度识别结果，并结合所述情绪识别结果和配合度识别结果将沟通成功次数划分为配合次数和非配合次数，并结合预设时间内的配合次数的比例将所述已沟通成功案件划分为配合案件和非配合案件；

S13：基于所述催收人员在设定时间内的电话沟通的沟通时长、沟通次数以及其它沟通方式的沟通时长、沟通次数、平均反馈时间确定所述催收人员的饱满度评分；

S14：基于所述催收人员的正常案件的数量、非正常案件的数量、配合案件的数量、非配合案件的数量、饱满度评分确定所述催收人员的评分值，并基于所述评分值确定所述催收人员为可分配人员时，基于所述可分配人员的评分值进行待分配案件的催收人员的确定。

另一方面，本申请实施例中提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种逾期资产清收智能分案方法。

另一方面，本申请实施例中提供一种终端设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时，实现上述的一种逾期资产清收智能分案方法。

本发明的有益效果在于：

通过将现有催收案件划分为已沟通成功案件和未沟通成功案件，从而实现了对催收人员的现有催收案件的差异性确定，同时根据未沟通成功案件的未沟通成功案件的电话沟通异常值，并结合除电话沟通外的其它沟通方式的沟通次数将所述未沟通成功案件划分为非正常案件和正常案件，从而实现了对未沟通案件中的沟通困难的案件的识别，充分考虑到沟通苦难的案件的催收难度，从而保证了最终案件分配时的可靠性和准确性。

通过基于已沟通成功案件的情绪识别结果和配合度识别结果将沟通成功次数划分为配合次数和非配合次数，并结合预设时间内的配合次数的比例将所述已沟通成功案件划分为配合案件和非配合案件，从而实现了对不同的已沟通成功案件的配合情况的区分，实现了对配合难度较大的案件的识别，保证了评估的准确性。

通过催收人员在设定时间内的电话沟通的沟通时长、沟通次数以及其它沟通方式的沟通时长、沟通次数、平均反馈时间进行饱满度评分的构建，从而实现了从多重角度进行催收人员的活跃情况的确定，这也为进一步进行催收人员的差异性分案奠定了基础。

通过催收人员的评分值的构建，从而实现了从正常案件的数量、非正常案件的数量、配合案件以及非配合案件以及饱满度这五个方面实现对催收人员的筛选，不仅仅考虑到不同案件的数量，同时也考虑到不同催收人员的饱满度，从而保证了待分配案件能够准确快速的被处理，保证了待分配案件的催收效率。

其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显；

图1是一种逾期资产清收智能分案方法的流程图；

图2是所述未沟通成功案件划分为非正常案件和正常案件的具体步骤的流程图；

图3是将所述已沟通成功案件划分为配合案件和非配合案件的流程图；

图4是饱满度评分构建的具体步骤的流程图；

图5是可分配人员确定的具体步骤的流程图；

图6是未沟通成功案件的沟通方式的构成图；

图7是一种计算机可读存储介质的结构图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。

第一方面

为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种逾期资产清收智能分案方法，具体包括：

S11：通过催收人员的现有催收案件的沟通情况将所述现有催收案件划分为已沟通成功案件和未沟通成功案件，并基于所述未沟通成功案件的沟通方式、不同沟通方式的沟通次数将所述未沟通成功案件划分为非正常案件和正常案件，基于所述已沟通成功案件的违约主体的沟通关键词的识别结果将所述已沟通成功案件划分为正常案件和非正常案件；

需要说明的是，已沟通成功案件为已跟违约主体完成沟通，并得到回馈的案件，未沟通成功案件为尚未于违约主体完成沟通，并未得到回馈的案件，对于已沟通成功案件中的非正常案件为违约主体态度强硬，不配合或者不愿意进行还款，可以通过与其沟通的沟通关键词的识别结果进行确定，而未沟通成功的非正常案件为多次尝试沟通但均未有人回应或者挂断，或者缺乏与违约主体进行联系的联系方式的案件，类似这种的非正常案件与其它案件相比，其催收难度明显更大。

具体的举例说明，如图6所示，所述未沟通成功案件的沟通方式包括：邮件沟通、即时通信软件沟通、短信沟通、电话沟通。

具体的举例说明，如图2所示，将所述未沟通成功案件划分为非正常案件和正常案件的具体步骤为：

S21：基于所述未沟通成功案件的电话沟通的沟通次数确定所述非沟通成功案件是否为非正常案件，若是，则将所述未沟通成功案件作为非正常案件，若否，则进入步骤S22；

需要说明的是，当所述未沟通成功案件的电话沟通的沟通次数大于设定沟通次数时，则将所述未沟通成功案件作为非正常案件；

S22：基于所述未沟通成功案件的电话沟通的沟通次数确定所述非沟通成功案件是否为疑似非正常案件，若是，则进入步骤S23，若否，则进入步骤S24；

需要说明的是，当电话沟通的沟通次数大于一定的量值时，此时才可以结合其它沟通次数进行非正常案件的认定，但该量值也小于原有的设定沟通次数；

S23：基于所述疑似非正常案件的除电话沟通外的其它沟通方式的沟通次数的和确定所述非沟通成功案件是否为非正常案件，若是，则将所述未沟通成功案件作为非正常案件，若否，则进入步骤S24；

S24：基于所述未沟通成功案件的电话沟通的沟通次数、挂断次数、电话沟通的不同的反馈类型的沟通次数确定所述未沟通成功案件的电话沟通异常值，基于所述未沟通成功案件的除电话沟通外的其它沟通方式的沟通次数、在预设时间内的沟通次数确定所述未沟通案件的其它沟通异常值，并基于所述电话沟通异常值和其它沟通异常值得到沟通异常值，并基于所述沟通异常值将所述未沟通成功案件划分为非正常案件和正常案件。

需要说明的是，所述非正常案件采用基于ACO优化的SVM算法的分类模型进行确定。

需要另外说明的是，在ACO算法的发函数中引入自适应调整系数和随机因子，高算法的全局搜索能力，在启发函数的构建过程中不仅考虑当前节点与可选节点之间的距离，同时加入与目标点距离的启发信息。在算法运行的后期，为加快算法收敛到全局最优解，削弱启发式信息的作用，其中改进后的启发函数的计算公式为：

其中Lij是网格i和网格j的距离，Ljt是网格j和网格t的欧式距离，Ljt是网格j和网格t的欧式距离，是一个大于0的常数,T为动态系数，rand（0,1）为取值范围在0到1之间的随机数，U为当前迭代次数，Umax为最大迭代次数。

通过案件特征值以及主体特征值的构建，从而实现了从案件本身以及案件的违约主体两方面实现对现有催收案件的评估，不仅较为准确，同时也降低了分类模型需要处理的数据维度，进一步提升了处理的效率和准确性。

通过采用基于ACO优化的SVM算法的分类模型，不仅使得得到的案件类型的结果更为准确，同时采用优化算法，进一步避免了由于陷入局部最优等情况下的导致的分类效率较低的问题的出现。

具体的举例说明，所述基于ACO-SVM算法的分类模型构建的具体步骤为：

利用蚁群算法对SVM的惩罚参数和核函数参数进行搜索寻优，算法的流程如下所示：

步骤1：将采集到的数据集分为训练集和测试集并各自进行特征提取，形成训练集和测试集的特征向量，进行数据归一化处理：

步骤2：ACO各参数初始化，在一定范围内随机产生惩罚参数和核函数参数的组合作为整个解空间集合I，并将蚂蚁随机放置在解空间I中。

步骤3：启动ACO，利用训练集对SVM进行训练学习，在训练过程中，第k只蚂蚁在t时刻从集合I中选择第j个参数组合的概率进行更新,随着迭代过程，更新解空间中j处的信息素浓度，重复步骤3，得到的参数组合置于集合FA内；

步骤4：基于集合FA进行SVM算法的最优参数的确定，并完成分类模型的构建。

在本实施例中，通过将现有催收案件划分为已沟通成功案件和未沟通成功案件，从而实现了对催收人员的现有催收案件的差异性确定，同时根据未沟通成功案件的未沟通成功案件的电话沟通异常值，并结合除电话沟通外的其它沟通方式的沟通次数将所述未沟通成功案件划分为非正常案件和正常案件，从而实现了对未沟通案件中的沟通困难的案件的识别，充分考虑到沟通苦难的案件的催收难度，从而保证了最终案件分配时的可靠性和准确性。

S12：基于所述已沟通成功案件的违约主体的沟通关键词的识别结果确定所述违约主体的情绪识别结果和配合度识别结果，并结合所述情绪识别结果和配合度识别结果将沟通成功次数划分为配合次数和非配合次数，并结合预设时间内的配合次数的比例将所述已沟通成功案件划分为配合案件和非配合案件；

如图3所示，将所述已沟通成功案件划分为配合案件和非配合案件，具体包括：

S31：基于所述已沟通成功案件的违约主体的沟通成功次数，并判断所述沟通成功次数的沟通关键词确定是否包含非配合关键词，若否，则确定所述沟通成功次数为配合次数；

S32：利用BiGRU算法获取沟通成功次数的沟通文本的上下文信息，利用标签编码器学习标签的情绪特征，将获取到上下文信息的词向量，通过标签预编码器进行所述词向量的注意力权重的构建，并基于所述词向量和所述注意力权重生成文本特征向量，再将得到的文本特征向量作为卷积神经网络的输入，获取所述沟通成功次数的情绪识别结果；

S33：获取所述已沟通成功案件的违约主体的沟通成功次数的沟通关键词，并基于所述沟通关键词中的配合关键词的数量、非配合关键词的数量进行所述沟通成功次数的配合度识别结果，并基于所述配合度识别结果以及所述情绪识别结果将所述沟通成功次数划分为配合次数和非配合次数；

S34：基于所述已沟通成功案件的违约主体的配合次数的数量、非配合次数的数量，并结合最近的预设时间内的所述违约主体的沟通次数中的配合次数的比例确定所述已沟通成功案件的配合度，并基于所述配合度将所述已沟通成功案件划分为配合案件和非配合案件。

在本实施例中，通过基于已沟通成功案件的情绪识别结果和配合度识别结果将沟通成功次数划分为配合次数和非配合次数，并结合预设时间内的配合次数的比例将所述已沟通成功案件划分为配合案件和非配合案件，从而实现了对不同的已沟通成功案件的配合情况的区分，实现了对配合难度较大的案件的识别，保证了评估的准确性。

S13：基于所述催收人员在设定时间内的电话沟通的沟通时长、沟通次数以及其它沟通方式的沟通时长、沟通次数、平均反馈时间确定所述催收人员的饱满度评分；

需要说明的是，平均反馈时间反应的是催收人员在即时通信软件、短信、邮件等得到违约主体的反馈时的反馈时间，一般来说，该反馈时间越短，则说明催收人员的饱满度评分越高。

具体的举例说明，如图4所示，所述饱满度评分构建的具体步骤为：

S41：基于所述催收人员在设定时间内的电话沟通的沟通次数以及其它沟通方式的沟通次数确定所述催收人员是否为疑似活跃催收人员，若是，则进入步骤S42，若否，则进入步骤S44；

需要说明的是，当设定时间内的电话沟通的沟通次数或者其它沟通方式的沟通次数，只要任意一项或者两项的和大于设定次数时，则将所述催收人员作为疑似活跃催收人员；

S42：基于所述催收人员在设定时间内的电话沟通的沟通时长、沟通次数、平均每件现有催收案件的沟通次数得到电话沟通值，并基于所述电话沟通值确定所述催收人员是否为活跃催收人员，若是，则基于所述电话沟通值进行饱满度评分的构建，若否，则进入步骤S43；

S43：基于所述催收人员在设定时间内的其它沟通方式的沟通时长、沟通次数、平均反馈时间确定所述催收人员的其它沟通值，并基于所述其它沟通值确定所述催收人员是否为活跃催收人员，若是，则基于所述其它沟通值进行饱满度评分的构建，若否，则进入步骤S44；

S44：基于所述催收人员在设定时间内的电话沟通的沟通次数以及其它沟通方式的沟通次数进行总沟通次数的构建，并基于所述总沟通次数、电话沟通值、其它沟通之进行饱满度评分的构建。

具体的举例说明，所述饱满度评分的取值范围在0到1之间，其中所述饱满度评分的取值越大，则所述催收人员的饱满度越高。

在本实施例中，通过催收人员在设定时间内的电话沟通的沟通时长、沟通次数以及其它沟通方式的沟通时长、沟通次数、平均反馈时间进行饱满度评分的构建，从而实现了从多重角度进行催收人员的活跃情况的确定，这也为进一步进行催收人员的差异性分案奠定了基础。

S14：基于所述催收人员的正常案件的数量、非正常案件的数量、配合案件的数量、非配合案件的数量、饱满度评分确定所述催收人员的评分值，并基于所述评分值确定所述催收人员为可分配人员时，基于所述可分配人员的评分值进行待分配案件的催收人员的确定。

具体的，如图5所示，所述可分配人员确定的具体步骤为：

S51：基于所述催收人员的非正常案件的数量和非配合案件的数量确定所述催收人员是否为不可分配人员，若是，则确定所述催收人员不是可分配人员，若否，则进入步骤S52；

S52：基于所述催收人员的正常案件的数量以及配合案件的数量确定是否需要进一步的饱满度评分的确定，若是，则进入步骤S53，若否，则进入步骤S54；

S53：基于所述催收人员的饱满度评分确定所述催收人员是否为可分配人员，若是，则确定所述催收人员为可分配人员，若否，则进入步骤S54；

S54：基于所述催收人员的饱满度评分、正常案件的数量、非正常案件的数量、配合案件的数量、非配合案件的数量确定所述催收人员的评分值，并基于所述评分值确定所述催收人员是否为可分配人员。

在本实施例中，通过催收人员的评分值的构建，从而实现了从正常案件的数量、非正常案件的数量、配合案件以及非配合案件以及饱满度这五个方面实现对催收人员的筛选，不仅仅考虑到不同案件的数量，同时也考虑到不同催收人员的饱满度，从而保证了待分配案件能够准确快速的被处理，保证了待分配案件的催收效率。

需要说明的是，基于所述可分配人员的评分值进行待分配案件的催收人员的确定，具体包括：

基于所述可分配人员的评分值的大小，进行所述待分配案件的催收人员的确定。

另一方面：

如图7所示，本申请实施例中提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种逾期资产清收智能分案方法。

需要说明的是，上述的一种逾期资产清收智能分案方法，具体包括：

通过催收人员的现有催收案件的沟通情况将所述现有催收案件划分为已沟通成功案件和未沟通成功案件，并基于所述未沟通成功案件的沟通方式、不同沟通方式的沟通次数将所述未沟通成功案件划分为非正常案件和正常案件，基于所述已沟通成功案件的违约主体的沟通关键词的识别结果将所述已沟通成功案件划分为正常案件和非正常案件；

基于所述催收人员的非正常案件的数量确定所述催收人员是否为不可分配人员，若是，则确定所述催收人员不是可分配人员，无法进行待分配案件的分配。

另一方面：

本申请实施例中提供一种终端设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时，实现上述的一种逾期资产清收智能分案方法。

需要说明的是，上述的一种逾期资产清收智能分案方法，具体包括：

通过催收人员的现有催收案件的沟通情况将所述现有催收案件划分为已沟通成功案件和未沟通成功案件，基于所述未沟通成功案件的电话沟通的沟通次数、挂断次数、电话沟通的不同的反馈类型的沟通次数确定所述未沟通成功案件的电话沟通异常值，并结合除电话沟通外的其它沟通方式的沟通次数将所述未沟通成功案件划分为非正常案件和正常案件；

基于所述已沟通成功案件的违约主体的沟通关键词的识别结果确定所述违约主体的情绪识别结果和配合度识别结果，并结合所述情绪识别结果和配合度识别结果将沟通成功次数划分为配合次数和非配合次数，并结合预设时间内的配合次数的比例将所述已沟通成功案件划分为配合案件和非配合案件；

基于所述催收人员的正常案件的数量、非正常案件的数量、配合案件的数量、非配合案件的数量确定所述催收人员的评分值，并基于所述评分值确定所述催收人员为可分配人员时，基于所述可分配人员的评分值进行待分配案件的催收人员的确定。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (11)

1.一种逾期资产清收智能分案方法，具体包括：

通过催收人员的现有催收案件的沟通情况将所述现有催收案件划分为已沟通成功案件和未沟通成功案件，基于所述未沟通成功案件的电话沟通的沟通次数、挂断次数、电话沟通的不同的反馈类型的沟通次数确定所述未沟通成功案件的电话沟通异常值，并结合除电话沟通外的其它沟通方式的沟通次数将所述未沟通成功案件划分为非正常案件和正常案件；

基于所述已沟通成功案件的违约主体的沟通关键词的识别结果确定所述违约主体的情绪识别结果和配合度识别结果，并结合所述情绪识别结果和配合度识别结果将沟通成功次数划分为配合次数和非配合次数，并结合最近的预设时间内的配合次数的比例将所述已沟通成功案件划分为配合案件和非配合案件；

基于所述催收人员在设定时间内的电话沟通的沟通时长、沟通次数以及其它沟通方式的沟通时长、沟通次数、平均反馈时间确定所述催收人员的饱满度评分；

基于所述催收人员的正常案件的数量、非正常案件的数量、配合案件的数量、非配合案件的数量、饱满度评分确定所述催收人员的评分值，并基于所述评分值确定所述催收人员为可分配人员时，基于所述可分配人员的评分值进行待分配案件的催收人员的确定。

2.如权利要求1所述的逾期资产清收智能分案方法，其特征在于，所述未沟通成功案件的沟通方式包括：邮件沟通、即时通信软件沟通、短信沟通、电话沟通。

3.如权利要求1所述的逾期资产清收智能分案方法，其特征在于，将所述未沟通成功案件划分为非正常案件和正常案件的具体步骤为：

S21：基于所述未沟通成功案件的电话沟通的沟通次数确定所述非沟通成功案件是否为非正常案件，若是，则将所述未沟通成功案件作为非正常案件，若否，则进入步骤S22；

S22：基于所述未沟通成功案件的电话沟通的沟通次数确定所述非沟通成功案件是否为疑似非正常案件，若是，则进入步骤S23，若否，则进入步骤S24；

S23：基于所述疑似非正常案件的除电话沟通外的其它沟通方式的沟通次数的和确定所述非沟通成功案件是否为非正常案件，若是，则将所述未沟通成功案件作为非正常案件，若否，则进入步骤S24；

S24：基于所述未沟通成功案件的电话沟通的沟通次数、挂断次数、电话沟通的不同的反馈类型的沟通次数确定所述未沟通成功案件的电话沟通异常值，基于所述未沟通成功案件的除电话沟通外的其它沟通方式的沟通次数、在预设时间内的沟通次数确定所述未沟通案件的其它沟通异常值，并基于所述电话沟通异常值和其它沟通异常值得到沟通异常值，并基于所述沟通异常值将所述未沟通成功案件划分为非正常案件和正常案件。

4.如权利要求3所述的逾期资产清收智能分案方法，其特征在于，当所述未沟通成功案件的电话沟通的沟通次数大于设定沟通次数时，则将所述未沟通成功案件作为非正常案件。

5.如权利要求1所述的逾期资产清收智能分案方法，其特征在于，将所述已沟通成功案件划分为配合案件和非配合案件，具体包括：

基于所述已沟通成功案件的违约主体的沟通成功次数，并判断所述沟通成功次数的沟通关键词确定是否包含非配合关键词，若否，则确定所述沟通成功次数为配合次数；

利用BiGRU算法获取沟通成功次数的沟通文本的上下文信息，利用标签编码器学习标签的情绪特征，将获取到上下文信息的词向量，通过标签预编码器进行所述词向量的注意力权重的构建，并基于所述词向量和所述注意力权重生成文本特征向量，再将得到的文本特征向量作为卷积神经网络的输入，获取所述沟通成功次数的情绪识别结果；

获取所述已沟通成功案件的违约主体的沟通成功次数的沟通关键词，并基于所述沟通关键词中的配合关键词的数量、非配合关键词的数量进行所述沟通成功次数的配合度识别结果，并基于所述配合度识别结果以及所述情绪识别结果将所述沟通成功次数划分为配合次数和非配合次数；

基于所述已沟通成功案件的违约主体的配合次数的数量、非配合次数的数量，并结合最近的预设时间内的所述违约主体的沟通次数中的配合次数的比例确定所述已沟通成功案件的配合度，并基于所述配合度将所述已沟通成功案件划分为配合案件和非配合案件。

6.如权利要求1所述的逾期资产清收智能分案方法，其特征在于，所述饱满度评分构建的具体步骤为：

S41：基于所述催收人员在设定时间内的电话沟通的沟通次数以及其它沟通方式的沟通次数确定所述催收人员是否为疑似活跃催收人员，若是，则进入步骤S42，若否，则进入步骤S44；

S42：基于所述催收人员在设定时间内的电话沟通的沟通时长、沟通次数、平均每件现有催收案件的沟通次数得到电话沟通值，并基于所述电话沟通值确定所述催收人员是否为活跃催收人员，若是，则基于所述电话沟通值进行饱满度评分的构建，若否，则进入步骤S43；

S43：基于所述催收人员在设定时间内的其它沟通方式的沟通时长、沟通次数、平均反馈时间确定所述催收人员的其它沟通值，并基于所述其它沟通值确定所述催收人员是否为活跃催收人员，若是，则基于所述其它沟通值进行饱满度评分的构建，若否，则进入步骤S44；

S44：基于所述催收人员在设定时间内的电话沟通的沟通次数以及其它沟通方式的沟通次数进行总沟通次数的构建，并基于所述总沟通次数、电话沟通值、其它沟通值进行饱满度评分的构建。

7.如权利要求1所述的逾期资产清收智能分案方法，其特征在于，所述饱满度评分的取值范围在0到1之间，其中所述饱满度评分的取值越大，则所述催收人员的工作的饱满度越高。

8.如权利要求1所述的逾期资产清收智能分案方法，其特征在于，所述可分配人员确定的具体步骤为：

S51：基于所述催收人员的非正常案件的数量和非配合案件的数量确定所述催收人员是否为不可分配人员，若是，则确定所述催收人员不是可分配人员，若否，则进入步骤S52；

S52：基于所述催收人员的正常案件的数量以及配合案件的数量确定是否需要进一步的饱满度评分的确定，若是，则进入步骤S53，若否，则进入步骤S54；

S53：基于所述催收人员的饱满度评分确定所述催收人员是否为可分配人员，若是，则确定所述催收人员为可分配人员，若否，则进入步骤S54；

S54：基于所述催收人员的饱满度评分、正常案件的数量、非正常案件的数量、配合案件的数量、非配合案件的数量确定所述催收人员的评分值，并基于所述评分值确定所述催收人员是否为可分配人员。

9.如权利要求1所述的逾期资产清收智能分案方法，其特征在于，基于所述可分配人员的评分值进行待分配案件的催收人员的确定，具体包括：

基于所述可分配人员的评分值的大小，进行所述待分配案件的催收人员的确定。

10.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-9任一项所述的一种逾期资产清收智能分案方法。

11.一种终端设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时，实现执行权利要求1-9任一项所述的一种逾期资产清收智能分案方法。

Images